Rozszerzony test dickeya-fullera w r (z przykładem)
Szereg czasowy nazywa się „stacjonarnym”, jeśli nie ma trendu, wykazuje stałą wariancję w czasie i ma stałą strukturę autokorelacji w czasie.
Jednym ze sposobów sprawdzenia, czy szereg czasowy jest stacjonarny, jest wykonanie rozszerzonego testu Dickeya – Fullera , w którym wykorzystuje się następujące hipotezy zerowe i alternatywne:
H 0 : Szereg czasowy jest niestacjonarny. Innymi słowy, jego struktura zależy od czasu, a jego zmienność nie jest stała w czasie.
H A : Szereg czasowy jest stacjonarny.
Jeśli wartość p testu jest poniżej pewnego poziomu istotności (np. α = 0,05), wówczas możemy odrzucić hipotezę zerową i stwierdzić, że szereg czasowy jest stacjonarny.
Poniższy przykład pokazuje krok po kroku, jak wykonać rozszerzony test Dickeya-Fullera w R dla danego szeregu czasowego.
Przykład: rozszerzony test Dickeya-Fullera w R
Załóżmy, że w R mamy następujące dane szeregów czasowych:
data <- c(3, 4, 4, 5, 6, 7, 6, 6, 7, 8, 9, 12, 10)
Przed wykonaniem rozszerzonego testu Dickeya-Fullera na danych możemy stworzyć szybki wykres w celu wizualizacji danych:
plot(data, type=' l ')
Aby wykonać rozszerzony test Dickeya-Fullera, możemy użyć funkcji adf.test() z biblioteki tseries .
Poniższy kod pokazuje, jak używać tej funkcji:
library (tseries) #perform augmented Dickey-Fuller test adf.test(data) Augmented Dickey-Fuller Test data:data Dickey-Fuller = -2.2048, Lag order = 2, p-value = 0.4943 alternative hypothesis: stationary
Oto jak interpretować najważniejsze wartości wyniku:
- Statystyka testowa: -2,2048
- Wartość P: 0,4943
Ponieważ wartość p jest nie mniejsza niż 0,05, nie możemy odrzucić hipotezy zerowej.
Oznacza to, że szereg czasowy nie jest stacjonarny. Innymi słowy, jego struktura zależy od czasu, a jego zmienność nie jest stała w czasie.
Dodatkowe zasoby
Poniższe samouczki wyjaśniają, jak wykonywać inne typowe zadania w języku R:
Jak wykonać test trendu Manna-Kendalla w R
Jak wykreślić szereg czasowy w R
Jak ograniczyć trendy danych